[0004] 本发明针对现有技术的不足，提供了一种基于脑电相位同步的身份识别方法，该方法是利用相位锁定值计算相位同步特征并通过线性判别分析进行分类来实现的。
[0005] 本发明所采用的技术方案：
[0006] 1.脑电信号采集：
[0007] 设计实验，使用多通道脑电采集设备采集实验过程中被试者的脑电信号，完成被试者信息录入和脑电数据采集。
[0008] 2.数据预处理：
[0009] 对原始脑电信号进行数据预处理，目的是减少伪迹的干扰，提高信噪比，从而提高特征提取的准确性。预处理过程包括带通滤波和去平均参考。
[0010] 3.滤波：
[0011] 创建滤波器，将预处理后的脑电信号滤波到计算相位同步特征所需的频段。
[0012] 4.相位同步特征计算：
[0013] 本发明采用相位锁定值（PLV）来计算两个通道之间的相位关系，具体的PLV计算公式如下：
[0014] PLV＝||
[0015] 其中Φx(t)和Φy(t)分别为脑电信号x(t)和y(t)的瞬时相位。
[0016] 发明采用希尔伯特变换来计算信号的相位值，信号x(t)的希尔伯特变换 定义如下：
[0017]
[0018] 公式中的P为柯西主值。由此可以定义x(t)的解析信号为：
[0019]
[0020] 其中Ax(t)和Φx(t)分别为信号x(t)的瞬时振幅以及瞬时相位。
[0021] 同样地，可以定义信号y(t)的解析信号，并计算瞬时相位Φy(t)。
[0022] 本发明中，我们采用合适的时间窗口来计算特定频段的PLV值。假设每个实验阶段存在N个不重叠的时间片段，这N个片段的PLV均值计算如下：
[0023]
[0024] 其中ΔΦ为信号x(t)和y(t)的瞬时相位差。
[0025] 假设本发明选定的脑电通道数为M，利用两两通道构建不同的通道对，计算所有通道对在某一实验阶段的PLV均值，并放置为一个M×M的上三角矩阵A
[0026]
[0027] 该矩阵不仅包含了不同脑电通道两两之间的相位关系，还包含了脑电通道的空间信息。
[0028] 接下来，我们将上三角矩阵除零值以外的数据拉直为一个列向量B，作为身份识别T的相位同步特征，B＝[a12,...,a1M,a23,...,a(M-1)M]。
[0029] 最后，用同样的方法计算所有实验阶段的相位同步特征向量。
[0030] 5.分类：
[0031] 在利用上述过程计算的相位同步特征向量进行身份识别之前，首先对特征向量进行降维。
[0032] 本发明采用主成分分析（PCA）来减少特征向量的维度。假设特征向量的原始数据T集为z，则z的协方差矩阵R＝E(zz)。
[0033] 计算矩阵R特征向量的正交矩阵V和特征值的对角矩阵D，
[0034] D＝diag(d1,d2,...,dn)。则主成分的计算公式如下：
[0035] y＝VTzT。
[0036] 选取特征值超过一定阈值的主成分对相位同步特征向量进行重建，具体公式如下：
[0037]
[0038] 其中 分别对应选取的主成分以及它们的特征向量。
[0039] 然后，本发明采用线性判别分析（LDA）对降维后的相位同步特征向量进行分类。
[0040] 从每个被试的相位同步特征中随机选取一定数量已知类别的特征向量作为训练样本，剩下的特征向量作为测试样本。通过训练样本的训练可以得到分类所需的判别函数：
[0041]
[0042] 其中{xi|i＝1,2,...,D}为相位同步特征向量，D为特征向量的维度。参数wi和a的计算准则为：使不同类别间的距离最大，类别内的距离最小，即使不同的类别尽可能的分开。
[0043] 假设X＝{x1,x2,...,xM}为给定D维训练样本的数据集，数据集中的每个特征向量分别对应类别{X1,...,Xc,...,XC}中的一个类别，则类间离散度矩阵Sb和类内离散度矩阵Sw分别为：
[0044]
[0045]
[0046] 其中Mc为类别Xc的向量数量，mc为类均值向量，m为所有样本的整体均值。
[0047] 计算矩阵W使类间离散度矩阵和类内离散度矩阵的比值最大：
[0048]
[0049] 即可求得所需的判别函数。
[0050] 利用这些训练样本所得到的判别函数对未知类别的测试样本进行分类，就可以实现对不同个体的身份识别。
[0051] 本发明的有益效果是：提供了一种能够有效识别不同个体的基于脑电相位同步的身份识别方法。脑电信号的相位同步特征不易伪造，具有更高的可靠性和准确性。与其他生物识别特征相比，基于脑电的相位同步特征更为安全和隐蔽，且能够应用于某些身体残疾或受伤的人群。
